数据可视化，尤其是基于Web的可视化，门槛正在降低。D3.js、Raphaël、Paper.js等JavaScript库以及Canvas和SVG的浏览器支持，使得过去只能由专家完成的复杂可视化变得日益简单。但ClearStoryData的两位开发人员Nate Argrin和Nick Rabinowitz指出，实际开发中仍存在不少挑战，并总结了七个实践要点。
第一，现实数据往往很"丑"。 教程中的数据集通常干净整洁，但真实项目中约80%的时间用于搜寻、获取、载入、清洗和转换数据。多数据源比对、录入错误检查、编码或OCR文字校验等工作，往往只能手工完成。建议为数据清洗预留充足时间，并善用Google Refine等工具。
第二，柱状图往往更好。 气泡图、饼图、树状图各有优势，但在简单明了方面都不及柱状图。最酷的可视化往往用处最小，追求新奇可能导致数据扭曲。若柱状图或线状图能表现数据，就不必轻易替换。
第三，真实数据不可替代。 Demo数据通常遵循正态分布且数量有限，无法暴露数据缺失、异常等真实问题。若无法访问完整数据集，可随机抽取真实样本，并保留无效或缺失数据。
第四，细节最头疼。 数据标识、注释和坐标轴通常在初始可视化后才考虑，却非常耗时。设计时应预留标识空间，定义最大字符数，对长注释采用滚动或展开方式。
第五，需要时才用动画。 动画适合揭示数据状态变化与相互影响，但易导致误解。应保持简单、可预测、可重播，复杂动画可分阶段呈现。
第六，可视化不是分析。 图形可揭示差异或相关性，但得出可靠结论仍需统计方法与专业知识。应调整客户期望，并尝试多种可视化方式验证。
第七，可视化不只是编程。 深入见解的表达还需图像设计、数据分析、交互设计及认知知识。初学者坚持基本原则——多用柱状图、避免线性半径、设计简洁——也能创造出好的作品。
